Graphentheorie. Zusammenhang. Zusammenhang. Zusammenhang. Rainer Schrader. 13. November 2007

Größe: px
Ab Seite anzeigen:

Download "Graphentheorie. Zusammenhang. Zusammenhang. Zusammenhang. Rainer Schrader. 13. November 2007"

Transkript

1 Graphentheorie Rainer Schrader Zentrum für Angewandte Informatik Köln 13. November / 84 2 / 84 Gliederung stest und Schnittkanten älder und Bäume minimal aufspannende Bäume Der Satz von Menger 2-zusammenhängende Graphen Kreise und Schnitte ir betrachten eine Variante des Durchmusterns, die den eines Graphen testet (0) setze E = E, F = (1) wähle e E und setze F = F {e}, E = E {e} (2) wähle e E, die mit mindestens einem Knoten in V (F ) inzidiert (3) setze F = F {e}, E = E {e} (4) wiederhole (2) (3), bis E keine solche Kante mehr enthält Satz 1 Der obige Algorithmus hält genau dann mit E = F und V = V (F ), wenn G zusammenhängend ist. 3 / 84 4 / 84

2 die erzeugten Teilgraphen (V (F ), F ) sind zusammenhängend daher ist G zusammenhängend, wenn der Algorithmus mit E = F und V = V (F ) hält, sei umgekehrt G zusammenhängend und V 2 nach Schritt (1) existiert ein Knoten u V (F ) da G zusammenhängend ist, existiert zu jedem beliebigen Knoten v V ein eg u = v 1, v 2,..., v k = v in G da v 1 V (F ), muss die Kante v 1 v 2 im Schritt (2) zu F hinzugefügt worden sein ebenso die Kanten (v 2, v 3 ),..., (v k 1, v k ), d.h. v V (F ) Dieser einfache Algorithmus folgt dem einfachen Prinzip der Dekomposition (1) wähle Basisgraph (Knoten, Kante, eg, Kreis) Ohren- (2) füge Ohren zu dem bisher konstruierten Graph hinzu (etwa Kanten, ege, die mit den bisher konstruierten Knoten inzidieren) in unserem Algorithmus sind sowohl der Basisgraph als auch die Ohren Kanten das Vorgehen ist im Allgemeinen nicht eindeutig wir werden für einige strukturelle Eigenschaften zeigen, dass sie eine charakteristische Ohrendekomposition haben somit V = V (F ), und wegen Schritt (2) gilt dann auch F = E. 5 / 84 6 / 84 Als Folgerung ergibt sich: Korollar 2 Jeder zusammenhängende Graph mit n Knoten hat mindestens n 1 Kanten. der Basisgraph besteht aus einer Kante und zwei Knoten in jedem Schritt (2) wird eine Kante und höchstens ein neuer Knoten hinzugefügt somit gilt stets F V (F ) 1. Gliederung stest und Schnittkanten älder und Bäume minimal aufspannende Bäume Der Satz von Menger 2-zusammenhängende Graphen Kreise und Schnitte 7 / 84 8 / 84

3 Eine Kante e heißt Schnittkante, falls G e mehr skomponenten hat als G (genauer: eine mehr) Satz 3 Für eine Kante e E sind folgende Aussagen äquivalent: (i) e ist Schnittkante, (ii) es existieren Knoten u, v V, so dass e auf jedem (u, v )-eg liegt, (iii) e liegt in keinem Kreis von G, (iv) in jeder Ohrendekomposition ist genau ein Endknoten von e in V (F ), wenn e zu F hinzugefügt wird. ir können o.b.d.a. annehmen, dass G zusammenhängend ist. (i) e ist Schnittkante (ii) für zwei Knoten u, v V liegt e auf jedem (u, v )-eg: seien u und v zwei Knoten aus verschiedenen skomponenten von G e dann existiert kein (u, v )-eg in G e und jeder (u, v )-eg in G muss e enthalten 9 / / 84 (ii) für zwei Knoten u, v V liegt e auf jedem (u, v )-eg (iii) e liegt in keinem Kreis von G: (iii) e liegt in keinem Kreis von G (iv) in jeder Ohrendekomposition ist genau ein Endknoten von e in V (F ), wenn e zu F hinzugefügt wird. sei ein (u, v )-eg, der e enthält angenommen e liegt auf einem Kreis C wir ersetzen in e durch C e dadurch erhalten wir einen (u, v )-Pfad P der Pfad P enthält einen (u, v )-eg, der e nicht enthält angenommen es existiert eine Ohren-Dekomposition von G, in der beide Endknoten konstruiert worden sind, bevor e zu F hinzugefügt wird dann existiert ein eg in G e, der die Endknoten von e verbindet {e} ist dann ein Kreis 11 / / 84

4 (iv) in jeder Ohrendekomposition ist genau ein Endknoten von e in V (F ), (i) wenn e zu F hinzugefügt wird e ist Schnittkante ist e keine Schnittkante, so ist G e zusammenhängend betrachte eine beliebige Ohren-Dekomposition von G e füge am Schluss e hinzu nach Satz 1 liefert dies eine Ohren-Dekomposition von G in ihr sind beide Endknoten von e bereits vor Hinzufügen von e konstruiert worden zur Erinnerung: für V ist der induzierte Schnitt die Kantenmenge E (, V ) = {(x, y ) : x, y / } ein Schnitt heißt minimal, wenn er nicht leer ist und per Inklusion minimal ist, d.h. er enthält keine keine echte, nichtleere Teilmenge, die selbst wieder ein Schnitt ist (ein minimaler Schnitt wird oft auch als Kozyklus bezeichnet) insbesondere ist jede Schnittkante {e} ein minimaler Schnitt 13 / / 84 Beispiel: 1 4 Lemma 4 Sei G zusammenhängend und E (, V ) ein nichtleerer Schnitt. E (, V ) ist minimal die Graphen G( ) und G(V ) sind zusammenhängend. 2 6 sei E (, V ) ein minimaler Schnitt 3 5 angenommen G( ) hat k 2 Komponenten G i = ( i, E i ), i = 1,..., k sei = {1, 2, 3} der von induzierte Schnitt ist nicht minimal, V denn {6} und {4, 5} induzieren Schnitte, die in dem von induzierten enthalten sind da G zusammenhängend ist, ist jedes G i mit G i durch mindestens eine Kante verbunden 15 / / 84

5 1 2 3 V Lemma 5 Jeder nichtleere Schnitt eines zusammenhängenden Graphen ist disjunkte Vereinigung von minimalen Schnitten. dann sind die Mengen E ( i, V i ) nichtleere Schnitte, die in E(, V ) echt enthalten sind seien umgekehrt G( ) und G(V ) zusammenhängend und sei E(, V ), dann kann die Entfernung einer echten Teilmenge von E(, V ) den Graphen G nicht unzusammenhängend machen damit ist E(, V ) minimaler Schnitt. sei E (, V ) ein nichtleerer Schnitt seien G i = ( i, E i ), i = 1,..., k die skomponenten von G( ) V offensichtlich sind die Schnitte E ( i, V i ) paarweise kantendisjunkt weiter ist E (, V ) = S k i=1 E ( i, V i ) 17 / / k Gliederung V V V 1 2 l es ist E (, V ) = S k i=1 E( i, V i ) ist V zusammenhängend, so auch V i V- für alle i nach Lemma 4 sind dann die E ( i, V i ) minimale Schnitte andernfalls seien V 1,..., V l die Komponenten von V stest und Schnittkanten älder und Bäume minimal aufspannende Bäume Der Satz von Menger 2-zusammenhängende Graphen Kreise und Schnitte betrachte die von V i induzierten Graphen per Induktion ist E (, V i ) disjunkte Vereinigung von minimalen Schnitten da E(, V ) = S l i=1 E(, V i ), folgt die Behauptung. 19 / / 84

6 wir betrachten jetzt Graphen, in denen jede Kante Schnittkante ist äquivalent dazu ist, dass der Graph keine Kreise enthält ein Graph ohne Kreise heißt ald ein zusammenhängender ald ist ein Baum ein Blatt in einem ald ist ein Knoten vom Grad eins Bäume haben immer mindestens zwei Blätter: Lemma 6 Die Endknoten längster ege in einem Baum haben Grad eins. sei ein eg maximaler Länge, u ein Endknoten von und v der Nachbar von u auf angenommen u hat einen weiteren Nachbarn w wenn w nicht auf liegt, so ist, w oder w, ein längerer eg als falls w auf liegt, so induzieren der eg von w nach u und die Kante (w, u) einen Kreis. Diese einfache Beobachtung führt uns zu den folgenden Charakterisierungen von Bäumen: 21 / / 84 Satz 7 Sei G = (V, E ). Die folgenden Aussagen sind äquivalent: (i) G ist zusammenhängend und hat n 1 Kanten, (ii) G ist kreisfrei und hat n 1 Kanten, (iii) G ist zusammenhängend und kreisfrei, (i) G ist zusammenhängend und hat n 1 Kanten (ii) G ist kreisfrei und hat n 1 Kanten: (iv) G ist zusammenhängend und jede Kante von G ist Schnittkante, (v) je zwei Knoten sind durch genau einen eg verbunden, (vi) G ist kreisfrei und das Hinzufügen einer Kante mit Endknoten in G erzeugt genau einen Kreis, (vii) G ist bipartit, je zwei Knoten sind durch genau einen kürzesten eg verbunden, angenommen G hat einen Kreis C dann kann nach Satz 3 keine Kante e C Schnittkante sein d.h. für alle e C ist G e zusammenhängend, hat n Knoten und n 2 Kanten, im iderspruch zu Korollar 2. (viii) G besitzt die folgenden Ohrendekomposition: (a) der Basisgraph ist eine Kante e E, die nicht Schleife ist, (b) die Ohren sind Kanten e = (u, v ) E mit u V (F ), v V V (F ). 23 / / 84

7 Induktion über V (ii) G ist kreisfrei und hat n 1 Kanten (iii) G ist kreisfrei und zusammenhängend: die Aussage ist richtig für n = 2 sei G ein kreisfreier Graph mit n + 1 Knoten und n Kanten dann ist G ein ald und enthält nach Lemma 6 einen Knoten v vom Grad eins G v hat n Knoten, n 1 Kanten und ist kreisfrei nach Induktionsannahme ist G v zusammenhängend und damit auch G. (iii) G ist zusammenhängend und kreisfrei (iv) G ist zusammenhängend und jede Kante von G ist Schnittkante folgt aus Satz 3. (iv) G ist zusammenhängend und jede Kante von G ist Schnittkante (v) je zwei Knoten sind durch genau einen eg verbunden da G zusammenhängend ist, sind je zwei Knoten durch einen eg verbunden angenommen zwei Knoten sind durch zwei ege verbunden diese beiden ege enthalten dann einen Kreis 25 / / 84 (v) (vi) je zwei Knoten sind durch genau einen eg verbunden G ist kreisfrei und das Hinzufügen einer Kante mit Endknoten in G erzeugt genau einen Kreis: (vi) (viii) G ist kreisfrei, für (u, v ) / E enthält G + (u, v ) genau einen Kreis G besitzt eine Ohrendekomposition mit einer Kante e E als Basisgraph, Kanten e = (u, v ) E mit u V (F ), v V V (F ) als Ohren G ist kreisfrei, da sonst zwei Knoten durch 2 ege verbunden wären das Hinzufügen einer Kante e kann somit auch nur genau einen Kreis erzeugen: seien C 1 und C 2 zwei Kreise sei e C 1 C 2 dann existiert ein Kreis C `C 1 C 2 e damit enthält G einen Kreis für (u, v ) / E enthält G + (u, v ) genau einen Kreis d.h. G enthält einen (u, v )-eg und ist damit zusammenhängend der Algorithmus erzeugt einen zusammenhängenden Untergraphen G = (V (F ), F ) da G zusammenhängend ist, ist G aufspannend, d.h. es gilt V (F ) = V angenommen am Ende des Algorithmus existiert eine Kante (u, v ) E F da G = (V, F ) zusammenhängend ist, existiert in G damit existiert in G + (u, v ) G ein Kreis ein (u, v )-eg 27 / / 84

8 (viii) (i) G besitzt eine Ohrendekomposition mit einer Kante e E als Basisgraph, Kanten e = (u, v ) E mit u V (F ), v V V (F ) als Ohren G ist zusammenhängend und hat n 1 Kanten der Algorithmus erzeugt in jedem Schritt zusammenhängende Graphen (V (F ), F ) mit F = V (F ) 1 da am Ende V (F ) = V und F = E gilt, ist G zusammenhängend und hat n 1 Kanten (v) (vi) (vii) je zwei Knoten sind durch genau eine eg verbunden und G ist kreisfrei und das Hinzufügen einer Kante mit Endknoten in G erzeugt genau einen Kreis G ist bipartit, je zwei Knoten sind durch genau einen kürzesten eg verbunden da G kreisfrei ist, ist G bipartit (Lemma 1.7) da G genau einen (u, v )-eg enthält, existiert auch genau ein kürzester (u, v )-eg 29 / / 84 (vii) G ist bipartit, zwischen je zwei Knoten existiert genau ein kürzester eg (iii) G ist zusammenhängend und kreisfrei da die ege existieren, ist G zusammenhängend angenommen G enthält einen Kreis sei C ein Kreis kürzester Länge da G bipartit ist, hat C gerade Länge, C = [v 1,..., v 2k ] die (v 1, v k +1 )-ege 1 = v 1, v 2,..., v k +1 und 2 = v 1, v 2k,..., v k +1 haben beide die Länge k nach Voraussetzung existiert dann ein kürzerer (v 1, v k +1 )-eg v 1 = w 1, w 2,..., w j = v k +1 mit j k dann enthält aber v 1, v 2,..., v k +1, w j 1, w j 2,..., w 2 kürzer als C ist. einen Kreis, der Korollar 8 Ein Graph ist genau dann zusammenhängend, wenn er einen aufspannenden Baum enthält. sei T ein aufspannender Baum eines Graphen G da T zusammenhängend ist, ist auch der Obergraph G zusammenhängend sei umgekehrt G zusammenhängend dann enthält G einen minimal zusammenhängenden Teilgraphen T, bei dem jede Kante Schnittkante ist nach Satz 7 (iv) ist T ein Baum. 31 / / 84

9 Ein ald F G heißt maximal, wenn für jede Komponente G Teilgraph F G ein aufspannender Baum ist. Beispiel: von G der die aufspannenden Bäume in einem zusammenhängenden Graphen haben sehr viel Struktur sie erinnert an die Eigenschaften linear unabhängiger Vektoren Korollar 9 Die blauen Kanten bilden einen aufspannenden, nicht-maximalen ald. Seien G ein Graph mit k Komponenten und F G. F ist genau dann ein maximaler ald, wenn F k Komponenten und n k Kanten hat. jede Kante eines aufspannenden Baums kann durch eine geeignete Kante eines anderen aufspannenden Baumes ersetzt werden: Korollar 10 Seien T, T zwei aufspannende Bäume eines zusammenhängenden Graphen. Dann existiert zu jedem e E (T ) E(T ) ein e E (T ) E (T ), so dass T e e wieder ein aufspannender Baum ist. folgt aus Satz 7 und Korollar / / 84 nach Satz 7 ist e Schnittkante von T damit zerfällt der Graph (V, E (T ) e) in zwei skomponenten U und da T ein aufspannender Baum ist, existiert in T ein eg, der die Endknoten von e verbindet dieser eg enthält mindestens eine Kante e, die U mit verbindet per Konstruktion ist e E (T ) E (T ) und T e e ist wieder ein aufspannender Baum. Umgekehrt können wir auch beliebige fremde Kanten in einen Baum zwingen: Korollar 11 Seien T, T zwei aufspannende Bäume eines zusammenhängenden Graphen. Zu jedem e E (T ) E(T ) existiert dann ein e E (T ) E(T ), so dass T e e wieder ein aufspannender Baum ist. nach Satz 7 enthält T e genau einen Kreis die Kanten dieses Kreises können nicht alle in E (T ) liegen, da T kreisfrei ist dieser Kreis enthält somit mindestens eine Kante e E (T ) E (T ). wenn wir e entfernen, erhalten wir wieder einen kreisfreien und zusammenhängenden Graphen nach Satz 7 ist also T e e wieder ein aufspannender Baum. 35 / / 84

10 Gliederung stest und Schnittkanten älder und Bäume minimal aufspannende Bäume Der Satz von Menger 2-zusammenhängende Graphen Kreise und Schnitte die Struktureigenschaften aufspannender Bäume ermöglichen es, Bäume mit möglichst geringem Gewicht zu bestimmen sei dazu G = (V, E) ein zusammenhängender Graph auf den Kanten seien Gewichte c(e) gegeben wir suchen einen aufspannenden Baum T = (V, F ) von G, so dass c(t ) = X e F c(e) minimal ist unter allen aufspannenden Bäumen wir können dieses Problem mit einer der Variante der Ohren-Dekomposition lösen: 37 / / 84 Algorithmus von Prim (1) wähle v V beliebig und setzte U = {v }, T = (2) wähle eine minimal-gewichtete Kante e = (u, v ) E mit u U, v V U (3) setze U = U v und T = T e (4) wiederhole (2) (3) so lange, bis keine solche Kante mehr existiert Algorithmus von Kruskal (1) Setze F = (2) for i = 1 to V 1 do (3) wähle eine minimal-gewichtete Kante e E F, die keinen Kreis in F schließt. (4) setze F = F e, E = E e end do wir zeigen nicht die Korrektheit dieses Verfahrens und betrachten eine zweites Verfahren Satz 12 Der Algorithmus von Kruskal berechnet einen minimalen aufspannenden Baum. 39 / / 84

11 offensichtlich bildet der erzeugte Teilgraph T = (V, F ) einen aufspannenden Baum angenommen T hat nicht minimales Gewicht sei T ein minimal-aufspannender Baum mit E (T ) E(T ) maximal Kruskals Algorithmus lässt sich mit geeigneten Datenstrukturen so implementieren, dass er eine Laufzeit von O(m log m) = O(m log n) hat wir beenden damit den Abschnitt über Bäume und wenden uns wieder Fragen des s zu betrachte eine minimal-gewichtete Kante e E (T ) E(T ) nach Korollar 11 existiert eine Kante e E (T ) E (T ), so dass S = T e e ein aufspannender Baum ist da der Algorithmus die Kante e der Kante e vorgezogen hat, gilt c(e) c(e ) und somit c(s) c(t ) dann ist S ein minimal-aufspannender Baum, der mehr Kanten mit T gemeinsam hat als T. 41 / / 84 seien s, t V zwei beliebige Knoten in einem (gerichteten) Graphen Gliederung stest und Schnittkanten älder und Bäume minimal aufspannende Bäume Der Satz von Menger 2-zusammenhängende Graphen Kreise und Schnitte wieviele Kanten bzw. Knoten müssen mindestens entfernt werden, um alle ege von s nach t zu zerstören? für den Fall gerichteter Graphen und Kanten kennen wir die Antwort schon die Frage ist äquivalent zu einem Fluss-Problem mit Kantenkapazität / / 84

12 sei G = (V, A) ein gerichteter Graph und s, t V wir wollen eine maximale Anzahl kantendisjunkter (s, t)-ege konstruieren eine Teilmenge X A von Kanten trennt s und t, falls in G(V, A X ) kein gerichteter (s, t)-eg existiert Korollar 13 (Menger, Kanten, gerichtet) In einem zusammenhängenden, gerichteten Graphen ist die maximale Anzahl von kantendisjunkten (s, t)-egen gleich der kleinsten Anzahl von Kanten, die s und t trennen. ir stellen die gleiche Frage jetzt für Knotenmengen: zwei (s, t)-ege heißen knotendisjunkt, wenn sie keine anderen Knoten als s und t gemeinsam haben eine Teilmenge S V trennt s und t, falls G(V S) keinen gerichteten (s, t)-eg enthält Korollar 14 (Menger, Knoten, gerichtet) Sei G = (V, A) ein zusammenhängender, gerichteter Graph und s, t zwei nichtbenachbarte Knoten. Die maximale Anzahl von knotendisjunkten (s, t)-egen ist gleich der kleinsten Anzahl von Knoten, die s und t trennen. wir erzeugen einen zweiten gerichteten Graphen G dazu ersetzen wir jeden Knoten in u V {s, t} durch eine gerichtete Kante (u 1, u 2 ) wie folgt: 45 / / 84 Analoge Ergebnisse gelten in ungerichteten Graphen: u u u 1 2 knotendisjunkte (s, t)-ege in G entsprechen kantendisjunkten egen in G sei A(S, T ) ein minimaler Kantenschnitt in G angenommen beide Knotenkopien u 1 und u 2 liegen in S ist A(u 2, T ) 1, so können wir u 2 nach T verschieben, ohne den Schnitt zu erhöhen also ist A(u 2, T ) = 0 und u 2 trägt nicht zum Schnittwert bei Korollar 15 (Menger, Kanten, ungerichtet) In einem zusammenhängenden ungerichteten Graphen ist die maximale Anzahl von kantendisjunkten (s, t)-egen gleich der kleinsten Anzahl von Kanten, die s und t trennen. wir konstruieren einen gerichteten Graphen G = (V, A), indem wir jede Kante in E durch ein Paar antiparalleler Kanten in A ersetzen offensichtlich bilden kantendisjunkte ege in G ege in G, die keine gerichteten Kanten und keine antiparallelen Kanten gemeinsam haben damit bilden die Knoten u V für die u 1 S und u 2 T oder A(u 2, T ) = 0 einen Knotenschnitt in G, dessen Kardinalität mit dem minimalen Kantenschnitt in G übereinstimmt 47 / / 84

13 umgekehrt können wir gerichtete kantendisjunkte ege, die antiparallele Kanten gemeinsam haben wie folgt entkreuzen : weiter wird ein minimaler Kantenschnitt A(S, T ) in G durch die Menge von Kanten definiert, die von S nach T führen. damit enthält der Schnitt höchstens eine der beiden antiparallelen Kanten und definiert somit einen ungerichteten Schnitt in G gleicher Kardinalität. Entsprechend gilt der Satz von Menger für ungerichtete Graphen und Knoten: Korollar 16 (Menger, Knoten, ungerichtet) Sei G = (V, E ) ein zusammenhängender ungerichteter Graph und s, t zwei nichtbenachbarte Knoten. Die maximale Anzahl von knotendisjunkten (s, t)-egen ist gleich der kleinsten Anzahl von Knoten, die s und t trennen. wie vorher konstruieren wir den gerichteten Graphen G = (V, A), indem wir jede Kante in E durch ein Paar antiparalleler Kanten in A ersetzen dann entsprechen knotendisjunkte ege in G knotendisjunkten ege in G und trennende Knotenmengen in G trennenden Knotenmengen in G. 49 / / 84 Sei G = (V, E ) ein ungerichteter Graph Sei G = (V, E ) ein ungerichteter Graph für u, v V bezeichne sei G k -, aber nicht (k + 1)-zusammenhängend λ G (u, v ) die Anzahl der knotendisjunkten (u, v )-ege κ G (u, v ) die Größe einer kleinsten (u, v )-trennenden Knotenmenge G heißt k -zusammenhängend, wenn mindestens k Knoten entfernt werden müssen, um den Graph unzusammenhängend zu machen Zur Beachtung: für einen k -zusammenhängenden Graphen gilt: er ist auch (k 1)-zusammenhängend er kann auch (k + 1)-zusammenhängend sein dann ist κ G = k die szahl oder der von G damit gilt: die Entfernung von k 1 Knoten zerstört den nicht es gibt eine k -elementige Teilmenge S von Knoten, so dass G S unzusammenhängend ist weiter ist κ G = min{κ G (u, v ) : (u, v ) / E }. entsprechend ist λ G durch das größte k gegeben, so dass je zwei Knoten durch mindestens k knotendisjunkte ege verbunden sind 51 / / 84

14 Sei G = (V, E ) ein ungerichteter Graph G heißt k -kantenzusammenhängend, falls jeder Schnitt E(, V ), der den Graph unzusammenhängend macht, mindestens k Kanten enthält wieder gilt für einen k -kantenzusammenhängenden Graphen: er ist auch (k 1)-kantenzusammenhängend er kann auch (k + 1)-kantenzusammenhängend sein der Kanten- ist das größte k, so dass G k -kantenzusammenhängend ist Als Zusammenfassung der bisherigen Resultate folgt dann der eigentliche: Korollar 17 (Satz von Menger) Sei G ein gerichteter oder ungerichteter Graph. Dann gilt: (i) der von G ist das größte k, so dass zu je zwei Knoten u, v mindestens k knotendisjunkte (u, v )-ege existieren (ii) der Kantenzusammenhang ist das größte k, so dass zu je zwei Knoten u, v mindestens k kantendisjunkte (u, v )-ege existieren. die zugehörigen Größen werden mit λ bzw. κ bezeichnet für gerichtete Graphen ist der die kleinste Anzahl von Kanten bzw. Knoten, deren Entfernung den Graphen nicht stark zusammenhängend macht 53 / / 84 (ii) folgt unmittelbar aus den Korollaren 13 und 15 (i) für (u, v ) / E bzw. (u, v ) / A gilt nach den Korollaren 14 und 16, dass λ G (u, v ) = κ G (u, v ). ist (u, v ) E bzw. (u, v ) A, so betrachte G = G (u, v ) in G folgt aus den Korollaren 14 und 16: λ G (u, v ) = λ G (u, v ) + 1 = κ G (u, v ) + 1 κ G + 1 κ G, Gliederung stest und Schnittkanten älder und Bäume minimal aufspannende Bäume Der Satz von Menger 2-zusammenhängende Graphen Kreise und Schnitte die letzte Ungleichung folgt, da die szahl nicht um mehr als eins fallen kann, wenn eine Kante entfernt wird. 55 / / 84

15 wir wollen zeigen, dass jeder 2-zusammenhängende Graph eine spezielle Ohrendekomposition hat zur Vorbereitung betrachten wir zwei Operationen, die den 2- erhalten Lemma 18 Sei G ein k -zusammenhängender Graph und G der Graph, der dadurch entsteht, dass wir einen neuen Knoten x hinzufügen, den wir mit mindestens k Knoten von G verbinden. Dann ist G ebenfalls k -zusammenhängend. S S G G G x x x sei S eine trennende Menge in G liegt x S, so ist S x trennende Menge in G und somit S k + 1 ist x / S, aber N(x) S, so folgt S k andernfalls ist S auch trennende Menge in G und daher S k. 57 / / 84 wir wissen bereits, dass in einem 2-zusammenhängenden Graphen je zwei Knoten auf einem Kreis liegen als Folgerung ergibt sich, dass diese Aussage auch für je zwei Kanten gilt: sei umgekehrt G 2-zusammenhängend betrachte zwei Kanten (u, v ), (x, y ) E füge zwei neue Knoten a, b hinzu mit N(a) = {u, v }, N(b) = {x, y } v y Korollar 19 a b Ein Graph ist genau dann 2-zusammenhängend, wenn d (v ) 2 für alle Knoten v V und je zwei Kanten auf einem gemeinsamen Kreis liegen. u x der neue Graph G ist nach Lemma 18 wieder 2-zusammenhängend betrachte zwei Knoten u, v V daher liegen die Knoten a, b auf einem gemeinsamen Kreis in G da beide Knoten Grad mindestens 2 haben, existieren Kanten (u, x), (v, y ) E da a und b genau zwei Nachbarn haben, enthält dieser Kreis die Knoten {u, v, x, y }, aber nicht die Kanten (u, v ), (x, y ) nach Voraussetzung liegen beide Kanten auf einem gemeinsamen Kreis und damit auch die beiden Knoten u und v 59 / 84 wenn wir die Pfade u, a, v und x, b, y durch die Kanten (u, v ), (x, y ) ersetzen, erhalten wir den gesuchten Kreis in G. 60 / 84

16 Als zweite Operation betrachten wir eine Unterteilung einer Kante (u, v ), bei der wir die Kante durch einen Pfad (u, w, v ) der Länge 2 ersetzen. Lemma 20 Sei G eine 2-zusammenhängender Graph und G der Graph, der durch Unterteilung einer Kante entsteht. Dann ist auch G 2-zusammenhängend. Man macht sich leicht klar, dass in G wieder je zwei Kanten auf einem gemeinsamen Kreis liegen. Satz 21 Ein Graph G ist genau dann 2-zusammenhängend, wenn er folgende Ohrenkomposition besitzt: starte mit einem Kreis auf dem bereits konstruierten Graphen wähle iterativ zwei Knoten u v und füge einen (u, v )-eg hinzu Damit können wir eine Ohren(de)komposition für 2-zusammenhängende Graphen formulieren: C 61 / / sei umgekehrt G 2-zusammenhängend wähle einen beliebigen Kreis C G als Startkreis C angenommen wir haben bereits einen Teilgraph G i G durch Hinzufügen von Ohren aufgebaut falls E (G i ) E (G), so wähle eine Kante (u, v ) E (G) E (G i ) und eine Kante (x, y ) E (G i ) sei G ein Graph mit Ohrendekomposition C, 1,..., k wir zeigen induktiv, dass die dabei entstehenden Graphen 2-zusammenhängend sind: dies gilt sicherlich für den Startkreis C wenn wir zu einem 2-zusammenhängenden Graphen eine Kante hinzufügen, so bleibt er offensichtlich 2-zusammenhängend nach Lemma 20 gilt dies auch, wenn wir die Kante unterteilen, d.h. einen eg hinzufügen. nach Lemma 19 liegen beide auf einem gemeinsamen Kreis von G sei der eg, der in diesem Kreis enthalten ist und die Kante (u, v ) sowie genau zwei Knoten von G i enthält dieser eg ist das gesuchte nächste Ohr. 63 / / 84

17 ein ähnliches Resultat gilt für den 2-Kantenzusammenhang hierzu müssen wir zusätzlich fordern, dass der neue eg mit nur einem Knoten im alten Graph inzidiert im Kapitel über planare Graphen werden wir eine Dekomposition von 3-zusammenhängenden Graphen betrachten ebenfalls dort spielen Kreise und Schnitte eine wichtige Rolle wir werden daher als nächstes die Beziehung zwischen ihnen untersuchen Gliederung stest und Schnittkanten älder und Bäume älder und Bäume Der Satz von Menger 2-zusammenhängende Graphen Kreise und Schnitte 65 / / 84 Lemma 22 Sei C ein Kreis und B ein inklusionsminimaler Schnitt eines Graphen G. Dann ist E (C) B gerade. o.b.d.a. sei G zusammenhängend sei B = E (, V ) ein inklusionsminimaler Schnitt nach Lemma 4 zerfällt G B in zwei Komponenten G( ) und G(V ) sei C = (v 1, v 2,..., v k ) ein Kreis mit E(C) B sei o.b.d.a. v 1, v k V und (v k v 1 ) E (C) B dieses Ergebnis lässt sich auch so formulieren: die Inzidenzvektoren von Kreisen und Schnitten stehen im Vektorraum über F 2 senkrecht aufeinander wir kommen auf ein ähnliches Resultat zurück Satz 23 Sei G = (V, E ) ein zusammenhängender Graph und e E. Färbe die Kanten in E e beliebig mit den Farben rot und gelb. Dann gilt genau eine der folgenden Aussagen: (i) G enthält einen Kreis aus roten Kanten und e (ii) G enthält einen inklusionsminimalen Schnitt aus gelben Kanten und e dann ist P = v 1,..., v k ein (v 1, v k )-Pfad, der mit V verbindet E (P) B muss dann ungerade sein und somit E (C) B gerade. 67 / / 84

18 angenommen (i) und (ii) gelten dann enthält G einen Kreis C und einen inklusionsminimalen Schnitt B mit C B = {e} zu Lemma 22 sei e = (u, v ) und (ii) gelte nicht dann sind u und v in G {E g e} verbunden, wobei E g die Menge der gelben Kanten ist damit existiert ein roter (u, v )-eg, der zusammen mit e den Kreis bildet. Auf den engen zwischen Kreisen und Schnitten werden wir im Kapitel über planare Graphen zurückkommen. ir übertragen die Ergebnisse über Kreise und Schnitte auf gerichtete Graphen: wir betrachten zuerst den zugrunde liegenden ungerichteten Graphen sei G = (V, A) ein gerichteter Graph und G der zugrunde liegende ungerichtete Graph ein Kreis von G ist ein Kreis in G ein (minimaler) Schnitt ist ein (minimaler) Schnitt in G Schnitte A(, V ) in G zerfallen in G A + (, V ) und A (, V ) in zwei Teilmengen analog zu Lemma 5 gilt, dass jeder Schnitt eines gerichteten Graphen Vereinigung von kantendisjunkten inklusionsminimalen Schnitten ist 69 / / 84 Lemma 24 (Lemma von Minty) Sei G = (V, A) ein gerichteter Graph und e A färbe die Kante e schwarz (i) und (ii) können nicht gleichzeitig gelten: sei C ein solcher rot/schwarzer Kreis färbe alle anderen Kanten beliebig in den Farben rot, grün und schwarz. Dann gilt genau eine der folgenden Aussagen: (i) es existiert ein Kreis aus roten und schwarzen Kanten, der e enthält und in dem alle schwarze Kanten die gleiche Richtung haben, V \ e (ii) es existiert ein minimaler Schnitt aus grünen und schwarzen Kanten, der e enthält und in dem alle schwarzen Kanten die gleiche Richtung haben. sei A(, V ) ein grün/schwarzer Schnitt mit e A (, V ) A(, V ) muss entweder eine rote Kreiskante enthalten oder eine schwarze Kreiskante in A + (, V ) sei e = (u, v ) wir markieren die Knoten in folgender eise: 71 / / 84

19 markiere Knoten v ist Knoten x markiert und y nicht, so markiere y, falls a) u ist markiert: eine schwarze Kante (x, y ) existiert, oder eine rote Kante (x, y ) oder (y, x ) existiert. per Induktion zeigt man: im zugrunde liegenden ungerichteten Graphen gibt es zu jedem markierten Knoten z einen (v, z)-eg v = z 0, z 1,..., z k = z mit (z i 1, z i ) E, schwarz = (z i 1, z i ) A (z i 1, z) E, rot = (z i 1, z i ) A oder (z i, z i 1 ) A v r s s r V \ e der (v, u)-eg zusammen mit e bildet einen rot/schwarzen Kreis, in dem alle schwarzen Kanten gleichgerichtet sind d.h. es gilt (i) nach Beendigung des Verfahrens unterscheiden wir 2 Fälle: 73 / / 84 b) u ist nicht markiert: sei V die Menge der markierten Knoten per Konstruktion enthält A(, V ) die Kante e und nur schwarze Kanten, die nach hineingehen, oder grüne Kanten sei G = (V, A) ein gerichteter Graph ein Kreis in G heißt gerichteter Kreis, wenn alle Kanten gleichgerichtet sind ein Schnitt heißt gerichteter Schnitt, wenn alle Kanten gleichgerichtet sind, d.h. A + (, V ) = oder A (, V ) = (in der Literatur werden gerichtete Kreise auch als circuit und gerichtete Schnitte als cocircuit bezeichnet) e dann existiert auch ein minimaler Schnitt mit diesen Eigenschaften d.h. es gilt (ii). Korollar 25 In einem gerichteten Graphen liegt jede Kante entweder in einem gerichteten Kreis oder einem gerichteten Schnitt, aber nicht in beiden. folgt aus Lemma 24, indem alle Kanten schwarz gefärbt werden. 75 / / 84

20 Lemma 26 Sei G = (V, A) ein gerichteter Graph und s V. Dann gibt es (s, v )-ege für alle v V genau dann, wenn A + (S, V S) für alle S V mit s S. sei S die Menge der Knoten, die von s aus auf einem gerichteten eg erreicht werden können dann ist S V A + (S, V S) =. Korollar 27 Für einen gerichteten Graphen G = (V, A) sind die folgenden Aussagen äquivalent: (i) G ist stark zusammenhängend, (ii) G enthält keinen gerichteten Schnitt A (, V ), (iii) G ist zusammenhängend und jede Kante liegt in einem gerichteten Kreis. (i) (ii) folgt aus Lemma 26 (ii) (iii) ergibt sich Korollar / / 84 (i) G ist stark zusammenhängend, (ii) G enthält keinen gerichteten Schnitt A (, V ), (iii) G ist zusammenhängend und jede Kante liegt in einem gerichteten Kreis. (iii) (i): sei s V ein beliebiger Knoten angenommen zu einem v V existiert kein (s, v )-eg nach Lemma 26 existiert ein gerichteter Schnitt S mit s S und A + (S, V S) = da G einfach zusammenhängend ist, folgt A(S, V S) eine Kante e A (S, V S) kann aber auf keinem gerichteten Kreis liegen, da keine Kante diesen Schnitt wieder verlässt. im nächsten Kapitel werden wir Graphen untersuchen, die so in der Ebene dargestellt werden können, dass sich keine zwei Kanten schneiden im Vorgriff auf dieses Kapitel ordnen wir Kreisen und Schnitten Größen der linearen Algebra zu sei G = (V, A) ein gerichteter Graph mit A = {a 1,..., a m } jeder Kreis C A von G zerfällt in zwei Teilmengen C + und C (wobei wir vorher eine beliebige Orientierung gewählt haben) wir können dann C einen Vektor ζ(c) R m 8 < 0, falls i / C + C ζ i (C) = 1, falls i C + : 1, falls i C wie folgt zuordnen: 79 / / 84

21 analog für Schnitte und minimale Schnitte E (, V ): 8 < 0, falls i / A(, V ) ζ i ( ) = 1, falls i A + (, V ) : 1, falls i A (, V ) beide Vektoren sind sicherlich bis auf das Vorzeichen eindeutig definiert in jedem Fall sind aber die Vekorräume, die von den Kreis- bzw. Schnittvektoren erzeugt werden, eindeutig definiert Lemma 28 Sei G = (V, A) ein gerichteter Graph. Dann stehen die ζ-vektoren über F 2 von Kreisen und Schnitten senkrecht aufeinander. das Skalarprodukt ändert sich nicht, wenn wir eine Kante umorientieren wir können somit annehmen, dass der von einer Menge induzierte Schnitt ein gerichteter Schnitt ist jeder Kreis, der berührt, muss aus genau so oft herausführen, wie er hineinführt. 81 / / 84 sei K eine Menge von Kreisen K heißt Kreisbasis, falls gilt: ihre ζ-vektoren sind linear unabängig sie spannen den von allen ζ-vektoren erzeugten Raum auf entsprechend sei S eine Menge von minimalen Schnitten S heißt Schnittbasis, falls gilt: ihre ζ-vektoren sind linear unabängig sie spannen den von allen Schnitten erzeugten Raum auf Satz 29 Sei G = (V, A) ein gerichteter Graph und T ein maximaler ald im zugrunde liegenden ungerichteten Graphen. Dann bilden die A A(T ) Kreise, die durch Hinzufügen der fehlenden Kanten entstehen, eine Kreisbasis und die A(T ) Schnittkanten eine Schnittbasis. die Kreise sind linear unabhängig, da sie sich mindestens um eine Kante unterscheiden das gleiche gilt für die Schnitte da die insgesamt A ζ-vektoren nach Lemma 28 orthogonal sind, sind sie maximal linear unabhängig und bilden damit eine Basis. 83 / / 84

3.1 Konstruktion von minimalen Spannbäumen Es gibt zwei Prinzipien für die Konstruktion von minimalen Spannbäumen (Tarjan): blaue Regel rote Regel

3.1 Konstruktion von minimalen Spannbäumen Es gibt zwei Prinzipien für die Konstruktion von minimalen Spannbäumen (Tarjan): blaue Regel rote Regel 3.1 Konstruktion von minimalen Spannbäumen Es gibt zwei Prinzipien für die Konstruktion von minimalen Spannbäumen (Tarjan): blaue Regel rote Regel EADS 3.1 Konstruktion von minimalen Spannbäumen 16/36

Mehr

Das Briefträgerproblem

Das Briefträgerproblem Das Briefträgerproblem Paul Tabatabai 30. Dezember 2011 Inhaltsverzeichnis 1 Problemstellung und Modellierung 2 1.1 Problem................................ 2 1.2 Modellierung.............................

Mehr

WS 2009/10. Diskrete Strukturen

WS 2009/10. Diskrete Strukturen WS 2009/10 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0910

Mehr

8 Diskrete Optimierung

8 Diskrete Optimierung 8 Diskrete Optimierung Definition 8.1. Ein Graph G ist ein Paar (V (G), E(G)) besteh aus einer lichen Menge V (G) von Knoten (oder Ecken) und einer Menge E(G) ( ) V (G) 2 von Kanten. Die Ordnung n(g) von

Mehr

Graphentheorie. Organisatorisches. Organisatorisches. Organisatorisches. Rainer Schrader. 23. Oktober 2007

Graphentheorie. Organisatorisches. Organisatorisches. Organisatorisches. Rainer Schrader. 23. Oktober 2007 Graphentheorie Rainer Schrader Organisatorisches Zentrum für Angewandte Informatik Köln 23. Oktober 2007 1 / 79 2 / 79 Organisatorisches Organisatorisches Dozent: Prof. Dr. Rainer Schrader Weyertal 80

Mehr

Literatur. Dominating Set (DS) Dominating Sets in Sensornetzen. Problem Minimum Dominating Set (MDS)

Literatur. Dominating Set (DS) Dominating Sets in Sensornetzen. Problem Minimum Dominating Set (MDS) Dominating Set 59 Literatur Dominating Set Grundlagen 60 Dominating Set (DS) M. V. Marathe, H. Breu, H.B. Hunt III, S. S. Ravi, and D. J. Rosenkrantz: Simple Heuristics for Unit Disk Graphs. Networks 25,

Mehr

Anmerkungen zur Übergangsprüfung

Anmerkungen zur Übergangsprüfung DM11 Slide 1 Anmerkungen zur Übergangsprüfung Aufgabeneingrenzung Aufgaben des folgenden Typs werden wegen ihres Schwierigkeitsgrads oder wegen eines ungeeigneten fachlichen Schwerpunkts in der Übergangsprüfung

Mehr

Kombinatorische Optimierung

Kombinatorische Optimierung Juniorprof. Dr. Henning Meyerhenke 1 Henning Meyerhenke: KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Vorlesung 1 Programm des

Mehr

w a is die Anzahl der Vorkommen von a in w Beispiel: abba a = 2

w a is die Anzahl der Vorkommen von a in w Beispiel: abba a = 2 1 2 Notation für Wörter Grundlagen der Theoretischen Informatik Till Mossakowski Fakultät für Informatik Otto-von-Guericke Universität Magdeburg w a is die Anzahl der Vorkommen von a in w Beispiel: abba

Mehr

Algorithmentheorie. 13 - Maximale Flüsse

Algorithmentheorie. 13 - Maximale Flüsse Algorithmentheorie 3 - Maximale Flüsse Prof. Dr. S. Albers Prof. Dr. Th. Ottmann . Maximale Flüsse in Netzwerken 5 3 4 7 s 0 5 9 5 9 4 3 4 5 0 3 5 5 t 8 8 Netzwerke und Flüsse N = (V,E,c) gerichtetes Netzwerk

Mehr

Graphen: Datenstrukturen und Algorithmen

Graphen: Datenstrukturen und Algorithmen Graphen: Datenstrukturen und Algorithmen Ein Graph G = (V, E) wird durch die Knotenmenge V und die Kantenmenge E repräsentiert. G ist ungerichtet, wenn wir keinen Start- und Zielpunkt der Kanten auszeichnen.

Mehr

4 Greedy-Algorithmen (gierige Algorithmen)

4 Greedy-Algorithmen (gierige Algorithmen) Greedy-Algorithmen (gierige Algorithmen) Greedy-Algorithmen werden oft für die exakte oder approximative Lösung von Optimierungsproblemen verwendet. Typischerweise konstruiert ein Greedy-Algorithmus eine

Mehr

Algorithmen II Vorlesung am 15.11.2012

Algorithmen II Vorlesung am 15.11.2012 Algorithmen II Vorlesung am 15.11.2012 Kreisbasen, Matroide & Algorithmen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales

Mehr

Gliederung. Definition Wichtige Aussagen und Sätze Algorithmen zum Finden von Starken Zusammenhangskomponenten

Gliederung. Definition Wichtige Aussagen und Sätze Algorithmen zum Finden von Starken Zusammenhangskomponenten Gliederung Zusammenhang von Graphen Stark Zusammenhängend K-fach Zusammenhängend Brücken Definition Algorithmus zum Finden von Brücken Anwendung Zusammenhangskomponente Definition Wichtige Aussagen und

Mehr

S=[n] Menge von Veranstaltungen J S kompatibel mit maximaler Größe J

S=[n] Menge von Veranstaltungen J S kompatibel mit maximaler Größe J Greedy-Strategie Definition Paradigma Greedy Der Greedy-Ansatz verwendet die Strategie 1 Top-down Auswahl: Bestimme in jedem Schritt eine lokal optimale Lösung, so dass man eine global optimale Lösung

Mehr

Effiziente Algorithmen und Datenstrukturen I. Kapitel 9: Minimale Spannbäume

Effiziente Algorithmen und Datenstrukturen I. Kapitel 9: Minimale Spannbäume Effiziente Algorithmen und Datenstrukturen I Kapitel 9: Minimale Spannbäume Christian Scheideler WS 008 19.0.009 Kapitel 9 1 Minimaler Spannbaum Zentrale Frage: Welche Kanten muss ich nehmen, um mit minimalen

Mehr

Algorithmen und Datenstrukturen (WS 2007/08) 63

Algorithmen und Datenstrukturen (WS 2007/08) 63 Kapitel 6 Graphen Beziehungen zwischen Objekten werden sehr oft durch binäre Relationen modelliert. Wir beschäftigen uns in diesem Kapitel mit speziellen binären Relationen, die nicht nur nur besonders

Mehr

Graphentheorie Mathe-Club Klasse 5/6

Graphentheorie Mathe-Club Klasse 5/6 Graphentheorie Mathe-Club Klasse 5/6 Thomas Krakow Rostock, den 26. April 2006 Inhaltsverzeichnis 1 Einleitung 3 2 Grundbegriffe und einfache Sätze über Graphen 5 2.1 Der Knotengrad.................................

Mehr

WS 2013/14. Diskrete Strukturen

WS 2013/14. Diskrete Strukturen WS 2013/14 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws1314

Mehr

Vorlesung 3 MINIMALE SPANNBÄUME

Vorlesung 3 MINIMALE SPANNBÄUME Vorlesung 3 MINIMALE SPANNBÄUME 72 Aufgabe! Szenario: Sie arbeiten für eine Firma, die ein Neubaugebiet ans Netz (Wasser, Strom oder Kabel oder...) anschließt! Ziel: Alle Haushalte ans Netz bringen, dabei

Mehr

Seminarvortag zum Thema Virtual Private Network Design im Rahmen des Seminars Network Design an der Universität Paderborn

Seminarvortag zum Thema Virtual Private Network Design im Rahmen des Seminars Network Design an der Universität Paderborn Seminarvortag zum Thema Virtual Private Network Design im Rahmen des Seminars Network Design an der Universität Paderborn Ein 5.55-Approximationsalgorithmus für das VPND-Problem Lars Schäfers Inhalt Einführung:

Mehr

Guten Morgen und Willkommen zur Saalübung!

Guten Morgen und Willkommen zur Saalübung! Guten Morgen und Willkommen zur Saalübung! 1 Wie gewinnt man ein Spiel? Was ist ein Spiel? 2 Verschiedene Spiele Schach, Tic-Tac-Toe, Go Memory Backgammon Poker Nim, Käsekästchen... 3 Einschränkungen Zwei

Mehr

Steinerbäume. Seminarausarbeitung Hochschule Aalen Fakultät für Elektronik und Informatik Studiengang Informatik Schwerpunkt Software Engineering

Steinerbäume. Seminarausarbeitung Hochschule Aalen Fakultät für Elektronik und Informatik Studiengang Informatik Schwerpunkt Software Engineering Steinerbäume Seminarausarbeitung Hochschule Aalen Fakultät für Elektronik und Informatik Studiengang Informatik Schwerpunkt Software Engineering Verfasser Flamur Kastrati Betreuer Prof. Dr. habil. Thomas

Mehr

Kürzeste Wege in Graphen. Maurice Duvigneau Otto-von-Guericke Universität Fakultät für Informatik

Kürzeste Wege in Graphen. Maurice Duvigneau Otto-von-Guericke Universität Fakultät für Informatik Kürzeste Wege in Graphen Maurice Duvigneau Otto-von-Guericke Universität Fakultät für Informatik Gliederung Einleitung Definitionen Algorithmus von Dijkstra Bellmann-Ford Algorithmus Floyd-Warshall Algorithmus

Mehr

Periodische Fahrpläne und Kreise in Graphen

Periodische Fahrpläne und Kreise in Graphen Periodische Fahrpläne und Kreise in Graphen Vorlesung Algorithmentechnik WS 2009/10 Dorothea Wagner Karlsruher Institut für Technologie Eisenbahnoptimierungsprozess 1 Anforderungserhebung Netzwerkentwurf

Mehr

Undirected Single-Source Shortest Paths with Positive Integer Weights in Linear Time

Undirected Single-Source Shortest Paths with Positive Integer Weights in Linear Time Universität Konstanz Mathematisch-naturwissenschaftliche Sektion Fachbereich Mathematik und Statistik Wintersemester 2001/02 Mikkel Thorup: Undirected Single-Source Shortest Paths with Positive Integer

Mehr

Algorithmen und Datenstrukturen 2

Algorithmen und Datenstrukturen 2 Algorithmen und Datenstrukturen 2 Sommersemester 2007 4. Vorlesung Peter F. Stadler Universität Leipzig Institut für Informatik studla@bioinf.uni-leipzig.de Traversierung Durchlaufen eines Graphen, bei

Mehr

Algorithmen und Datenstrukturen 2

Algorithmen und Datenstrukturen 2 Algorithmen und Datenstrukturen 2 Sommersemester 2006 3. Vorlesung Peter F. Stadler Universität Leipzig Institut für Informatik studla@bioinf.uni-leipzig.de Algorithmen für Graphen Fragestellungen: Suche

Mehr

Seminararbeit für das SE Reine Mathematik- Graphentheorie

Seminararbeit für das SE Reine Mathematik- Graphentheorie Seminararbeit für das SE Reine Mathematik- Graphentheorie Der binäre Rang, der symplektische Graph, die Spektralzerlegung und rationale Funktionen Vortrag am 24.01.2012 Heike Farkas 0410052 Inhaltsverzeichnis

Mehr

Datenstrukturen & Algorithmen

Datenstrukturen & Algorithmen Datenstrukturen & Algorithmen Matthias Zwicker Universität Bern Frühling 2010 Übersicht Binäre Suchbäume Einführung und Begriffe Binäre Suchbäume 2 Binäre Suchbäume Datenstruktur für dynamische Mengen

Mehr

5.2 Das All-Pairs-Shortest-Paths-Problem (APSP-Problem) Kürzeste Wege zwischen allen Knoten. Eingabe: Gerichteter Graph G =(V, E, c)

5.2 Das All-Pairs-Shortest-Paths-Problem (APSP-Problem) Kürzeste Wege zwischen allen Knoten. Eingabe: Gerichteter Graph G =(V, E, c) 5.2 Das All-Pairs-Shortest-Paths-Problem (APSP-Problem) Kürzeste Wege zwischen allen Knoten. Eingabe: Gerichteter Graph G =(V, E, c) mit V = {1,...,n} und E {(v, w) 1 apple v, w apple n, v 6= w}. c : E!

Mehr

5. Verschiedene Repräsentanten

5. Verschiedene Repräsentanten 5. Verschiedene Repräsentanten 5.1. Die Sätze Hall und König Sei I := {1,...,n}, und sei A(I) = (A 1,...,A n ) eine Familie von Teilmengen einer endlichen Menge E. Zu K I seien A(K) := (A i : i K) und

Mehr

x 2 x 1 x 3 5.1 Lernen mit Entscheidungsbäumen

x 2 x 1 x 3 5.1 Lernen mit Entscheidungsbäumen 5.1 Lernen mit Entscheidungsbäumen Falls zum Beispiel A = {gelb, rot, blau} R 2 und B = {0, 1}, so definiert der folgende Entscheidungsbaum eine Hypothese H : A B (wobei der Attributvektor aus A mit x

Mehr

Expander Graphen und Ihre Anwendungen

Expander Graphen und Ihre Anwendungen Expander Graphen und Ihre Anwendungen Alireza Sarveniazi Mathematisches Institut Universität Göttingen 21.04.2006 Alireza Sarveniazi (Universität Göttingen) Expander Graphen und Ihre Anwendungen 21.04.2006

Mehr

Praktikum Planare Graphen

Praktikum Planare Graphen 1 Praktikum Planare Graphen Michael Baur, Martin Holzer, Steffen Mecke 10. November 2006 Einleitung Gliederung 2 Grundlagenwissen zu planaren Graphen Themenvorstellung Gruppeneinteilung Planare Graphen

Mehr

Property Testing in Graphen mit beschränktem Maximalgrad

Property Testing in Graphen mit beschränktem Maximalgrad Property Testing in Graphen mit beschränktem Maximalgrad Björn Schümann Seminar Graphentheorie und Kombinatorik WS 2007-08 Inhaltsverzeichnis 1 Einleitung 2 2 Allgemeine Aussagen zum Property Testing 3

Mehr

Maximaler Fluß und minimaler Schnitt. Von Sebastian Thurm sebastian.thurm@student.uni-magedburg.de

Maximaler Fluß und minimaler Schnitt. Von Sebastian Thurm sebastian.thurm@student.uni-magedburg.de Maximaler Fluß und minimaler Schnitt Von Sebastian Thurm sebastian.thurm@student.uni-magedburg.de Maximaler Fluß und minimaler Schnitt Wasist das? Maximaler Fluss Minimaler Schnitt Warumtut man das? Logistische

Mehr

Babeș-Bolyai Universität Cluj Napoca Fakultät für Mathematik und Informatik Grundlagen der Programmierung MLG5005. Paradigmen im Algorithmenentwurf

Babeș-Bolyai Universität Cluj Napoca Fakultät für Mathematik und Informatik Grundlagen der Programmierung MLG5005. Paradigmen im Algorithmenentwurf Babeș-Bolyai Universität Cluj Napoca Fakultät für Mathematik und Informatik Grundlagen der Programmierung MLG5005 Paradigmen im Algorithmenentwurf Problemlösen Problem definieren Algorithmus entwerfen

Mehr

I. II. I. II. III. IV. I. II. III. I. II. III. IV. I. II. III. IV. V. I. II. III. IV. V. VI. I. II. I. II. III. I. II. I. II. I. II. I. II. III. I. II. III. IV. V. VI. VII. VIII.

Mehr

Fully dynamic algorithms for the single source shortest path problem.

Fully dynamic algorithms for the single source shortest path problem. Fully dynamic algorithms for the single source shortest path problem. Michael Baur Wintersemester 2001/2002 Zusammenfassung Im folgenden Paper werde ich Algorithmen für das dynamische Kürzeste-Wege-Problem

Mehr

Scheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É.

Scheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É. Scheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É. Tardos Janick Martinez Esturo jmartine@techfak.uni-bielefeld.de xx.08.2007 Sommerakademie Görlitz Arbeitsgruppe 5 Gliederung

Mehr

Graphen: Einführung. Vorlesung Mathematische Strukturen. Sommersemester 2011

Graphen: Einführung. Vorlesung Mathematische Strukturen. Sommersemester 2011 Graphen: Einführung Vorlesung Mathematische Strukturen Zum Ende der Vorlesung beschäftigen wir uns mit Graphen. Graphen sind netzartige Strukturen, bestehend aus Knoten und Kanten. Sommersemester 20 Prof.

Mehr

3. Zusammenhang. 22 Andreas Gathmann

3. Zusammenhang. 22 Andreas Gathmann 22 Andreas Gathmann 3. Zusammenhang Eine der anschaulichsten Eigenschaften eines topologischen Raumes ist wahrscheinlich, ob er zusammenhängend ist oder aus mehreren Teilen besteht. Wir wollen dieses Konzept

Mehr

Theoretische Grundlagen der Informatik

Theoretische Grundlagen der Informatik Theoretische Grundlagen der Informatik Vorlesung am 12.01.2012 INSTITUT FÜR THEORETISCHE 0 KIT 12.01.2012 Universität des Dorothea Landes Baden-Württemberg Wagner - Theoretische und Grundlagen der Informatik

Mehr

Codierung, Codes (variabler Länge)

Codierung, Codes (variabler Länge) Codierung, Codes (variabler Länge) A = {a, b, c,...} eine endliche Menge von Nachrichten (Quellalphabet) B = {0, 1} das Kanalalphabet Eine (binäre) Codierung ist eine injektive Abbildung Φ : A B +, falls

Mehr

2. Lernen von Entscheidungsbäumen

2. Lernen von Entscheidungsbäumen 2. Lernen von Entscheidungsbäumen Entscheidungsbäume 2. Lernen von Entscheidungsbäumen Gegeben sei eine Menge von Objekten, die durch Attribut/Wert- Paare beschrieben sind. Jedes Objekt kann einer Klasse

Mehr

Codierungstheorie Rudolf Scharlau, SoSe 2006 9

Codierungstheorie Rudolf Scharlau, SoSe 2006 9 Codierungstheorie Rudolf Scharlau, SoSe 2006 9 2 Optimale Codes Optimalität bezieht sich auf eine gegebene Quelle, d.h. eine Wahrscheinlichkeitsverteilung auf den Symbolen s 1,..., s q des Quellalphabets

Mehr

Vorlesung Theoretische Informatik

Vorlesung Theoretische Informatik Vorlesung Theoretische Informatik Automaten und Formale Sprachen Hochschule Reutlingen Fakultät für Informatik Masterstudiengang Wirtschaftsinformatik überarbeitet von F. Laux (Stand: 09.06.2010) Sommersemester

Mehr

13. Binäre Suchbäume

13. Binäre Suchbäume 1. Binäre Suchbäume Binäre Suchbäume realiesieren Wörterbücher. Sie unterstützen die Operationen 1. Einfügen (Insert) 2. Entfernen (Delete). Suchen (Search) 4. Maximum/Minimum-Suche 5. Vorgänger (Predecessor),

Mehr

3.3 Eigenwerte und Eigenräume, Diagonalisierung

3.3 Eigenwerte und Eigenräume, Diagonalisierung 3.3 Eigenwerte und Eigenräume, Diagonalisierung Definition und Lemma 3.3.1. Sei V ein K-Vektorraum, φ End K (V ), λ K. Wir defnieren den zu λ gehörigen Eigenraum von φ als Dies ist ein Unterraum von V.

Mehr

Bäume und Wälder. Bäume und Wälder 1 / 37

Bäume und Wälder. Bäume und Wälder 1 / 37 Bäume und Wälder Bäume und Wälder 1 / 37 Bäume Ein (ungerichteter) Baum ist ein ungerichteter Graph G = (V, E), der zusammenhängend ist und keine einfachen Kreise enthält. Bäume und Wälder 2 / 37 Bäume

Mehr

Minimale Darstellungen, Kommutator- und Fixräume, projektive Geometrie

Minimale Darstellungen, Kommutator- und Fixräume, projektive Geometrie Notation Die in dieser Arbeit verwendete Notation ist im Wesentlichen Standard, so wie sie beispielsweise in [As] zu nden ist. Einige Abweichungen hiervon, Klarstellungen und zusätzliche Notationen (sofern

Mehr

Grundlagen der Programmierung 2. Bäume

Grundlagen der Programmierung 2. Bäume Grundlagen der Programmierung 2 Bäume Prof. Dr. Manfred Schmidt-Schauÿ Künstliche Intelligenz und Softwaretechnologie 24. Mai 2006 Graphen Graph: Menge von Knoten undzugehörige (gerichtete oder ungerichtete)

Mehr

Modelle und Statistiken

Modelle und Statistiken Kapitel 4 Modelle und Statistiken In letzter Zeit werden vermehrt Parameter (Gradfolgen, Kernzahlfolgen, etc.) empirischer Graphen (Internet, WWW, Proteine, etc.) berechnet und diskutiert. Insbesondere

Mehr

Optimalitätskriterien

Optimalitätskriterien Kapitel 4 Optimalitätskriterien Als Optimalitätskriterien bezeichnet man notwendige oder hinreichende Bedingungen dafür, dass ein x 0 Ω R n Lösung eines Optimierungsproblems ist. Diese Kriterien besitzen

Mehr

1. Motivation / Grundlagen 2. Sortierverfahren 3. Elementare Datenstrukturen / Anwendungen 4. Bäume / Graphen 5. Hashing 6. Algorithmische Geometrie

1. Motivation / Grundlagen 2. Sortierverfahren 3. Elementare Datenstrukturen / Anwendungen 4. Bäume / Graphen 5. Hashing 6. Algorithmische Geometrie Gliederung 1. Motivation / Grundlagen 2. Sortierverfahren 3. Elementare Datenstrukturen / Anwendungen 4. äume / Graphen 5. Hashing 6. Algorithmische Geometrie 4/5, olie 1 2014 Prof. Steffen Lange - HDa/bI

Mehr

Erzeugung zufälliger Graphen und Bayes-Netze

Erzeugung zufälliger Graphen und Bayes-Netze Erzeugung zufälliger Graphen und Bayes-Netze Proseminar Algorithmen auf Graphen Georg Lukas, IF2000 2002-07-09 E-Mail: georg@op-co.de Folien: http://op-co.de/bayes/ Gliederung 1. Einleitung 2. einfache

Mehr

Statistische Untersuchungen zu endlichen Funktionsgraphen

Statistische Untersuchungen zu endlichen Funktionsgraphen C# Projekt 1 Name: Statistische Untersuchungen zu endlichen Funktionsgraphen Aufgabe: Basierend auf dem Abschnitt 2.1.6. Random mappings, Kap.2, S 54-55, in [1] sollen zunächst für eine beliebige Funktion

Mehr

TECHNISCHE UNIVERSITÄT MÜNCHEN. Abzählbarkeit, Injektivität, Sürjektivität und Bijektivität

TECHNISCHE UNIVERSITÄT MÜNCHEN. Abzählbarkeit, Injektivität, Sürjektivität und Bijektivität TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik Prof. Dr. Friedrich Roesler Ralf Franken, PhD Max Lein Lineare Algebra 1 WS 26/7 en Blatt 4 13.11.26 Abzählbarkeit, Injektivität, Sürjektivität und Bijektivität

Mehr

Informatik 11 Kapitel 2 - Rekursive Datenstrukturen

Informatik 11 Kapitel 2 - Rekursive Datenstrukturen Fachschaft Informatik Informatik 11 Kapitel 2 - Rekursive Datenstrukturen Michael Steinhuber König-Karlmann-Gymnasium Altötting 15. Januar 2016 Folie 1/77 Inhaltsverzeichnis I 1 Datenstruktur Schlange

Mehr

Einführung in die Algebra

Einführung in die Algebra Prof. Dr. H. Brenner Osnabrück SS 2009 Einführung in die Algebra Vorlesung 13 Einheiten Definition 13.1. Ein Element u in einem Ring R heißt Einheit, wenn es ein Element v R gibt mit uv = vu = 1. DasElementv

Mehr

Künstliche Intelligenz Maschinelles Lernen

Künstliche Intelligenz Maschinelles Lernen Künstliche Intelligenz Maschinelles Lernen Stephan Schwiebert Sommersemester 2009 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Maschinelles Lernen Überwachtes Lernen

Mehr

Von optimaler Partnerwahl, minimalen Schnitten und maximalen Flüssen. Schülerwoche der Bonner Mathematik 2013

Von optimaler Partnerwahl, minimalen Schnitten und maximalen Flüssen. Schülerwoche der Bonner Mathematik 2013 Von optimaler Partnerwahl, minimalen Schnitten und maximalen Flüssen Schülerwoche der Bonner Mathematik 203 3. September 203 Dr. Lisa Beck Hausdorff Center for Mathematics Universität Bonn Einleitung Ziel

Mehr

Teil III: Routing - Inhalt I. Literatur. Geometric Routing. Voraussetzungen. Unit Disk Graph (UDG) Geometric Routing 29

Teil III: Routing - Inhalt I. Literatur. Geometric Routing. Voraussetzungen. Unit Disk Graph (UDG) Geometric Routing 29 1 29 Teil III: Routing - Inhalt I Literatur Compass & Face Routing Bounded & Adaptive Face Routing Nicht Ω(1) UDG E. Kranakis, H. Singh und Jorge Urrutia: Compass Routing on Geometric Networks. Canadian

Mehr

Dynamische Optimierung. Kapitel 4. Dynamische Optimierung. Peter Becker (H-BRS) Operations Research II Wintersemester 2014/15 160 / 206

Dynamische Optimierung. Kapitel 4. Dynamische Optimierung. Peter Becker (H-BRS) Operations Research II Wintersemester 2014/15 160 / 206 Kapitel 4 Dynamische Optimierung Peter Becker (H-BRS) Operations Research II Wintersemester 2014/15 160 / 206 Inhalt Inhalt 4 Dynamische Optimierung Allgemeiner Ansatz und Beispiele Stochastische dynamische

Mehr

Prof. Dr. Jürgen Dassow Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik P E T R I N E T Z E. Vorlesungsskript

Prof. Dr. Jürgen Dassow Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik P E T R I N E T Z E. Vorlesungsskript Prof. Dr. Jürgen Dassow Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik P E T R I N E T Z E Vorlesungsskript Magdeburg, Oktober 2008 Januar 2009 Vorwort Petri-Netze gehören zu den meist

Mehr

Bäume und Wälder. Bäume und Wälder 1 / 37

Bäume und Wälder. Bäume und Wälder 1 / 37 Bäume und Wälder Bäume und Wälder 1 / 37 Bäume Ein (ungerichteter) Baum ist ein ungerichteter Graph G = (V, E), der zusammenhängend ist und keine Kreise enthält. Diese Graphen sind Bäume: Diese aber nicht:

Mehr

4. Lernen von Entscheidungsbäumen. Klassifikation mit Entscheidungsbäumen. Entscheidungsbaum

4. Lernen von Entscheidungsbäumen. Klassifikation mit Entscheidungsbäumen. Entscheidungsbaum 4. Lernen von Entscheidungsbäumen Klassifikation mit Entscheidungsbäumen Gegeben sei eine Menge von Objekten, die durch /Wert- Paare beschrieben sind. Jedes Objekt kann einer Klasse zugeordnet werden.

Mehr

1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage:

1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage: Zählen und Zahlbereiche Übungsblatt 1 1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage: Für alle m, n N gilt m + n = n + m. in den Satz umschreiben:

Mehr

Ein Branch & Cut Verfahren zur Lösung des gewichteten Steinerbaumproblems in Graphen

Ein Branch & Cut Verfahren zur Lösung des gewichteten Steinerbaumproblems in Graphen Jack-III Ein Branch & Cut Verfahren zur Lösung des gewichteten Steinerbaumproblems in Graphen Diplomarbeit angefertigt von Thorsten Koch eingereicht beim Fachbereich Mathematik der Technischen Universität

Mehr

Entscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen?

Entscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Entscheidungsbäume Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Definition Entscheidungsbaum Sei T ein Binärbaum und A = {a 1,..., a n } eine zu sortierenden Menge. T ist ein Entscheidungsbaum

Mehr

Eine Baumstruktur sei folgendermaßen definiert. Eine Baumstruktur mit Grundtyp Element ist entweder

Eine Baumstruktur sei folgendermaßen definiert. Eine Baumstruktur mit Grundtyp Element ist entweder Programmieren in PASCAL Bäume 1 1. Baumstrukturen Eine Baumstruktur sei folgendermaßen definiert. Eine Baumstruktur mit Grundtyp Element ist entweder 1. die leere Struktur oder 2. ein Knoten vom Typ Element

Mehr

11. Primfaktorzerlegungen

11. Primfaktorzerlegungen 78 Andreas Gathmann 11 Primfaktorzerlegungen Euch ist sicher aus der Schule bekannt, dass sich jede positive ganze Zahl a als Produkt a = p 1 p n von Primzahlen schreiben lässt, und dass diese Darstellung

Mehr

Prof. Dr.-Ing. Firoz Kaderali Prof. Dr. rer. nat. Werner Poguntke. Graphen, Algorithmen und Netze

Prof. Dr.-Ing. Firoz Kaderali Prof. Dr. rer. nat. Werner Poguntke. Graphen, Algorithmen und Netze Prof. Dr.-Ing. Firoz Kaderali Prof. Dr. rer. nat. Werner Poguntke Graphen, Algorithmen und Netze Das Werk ist urheberrechtlich geschützt. Die dadurch begründeten Rechte, insbesondere das Recht der Vervielfältigung

Mehr

Zeichen bei Zahlen entschlüsseln

Zeichen bei Zahlen entschlüsseln Zeichen bei Zahlen entschlüsseln In diesem Kapitel... Verwendung des Zahlenstrahls Absolut richtige Bestimmung von absoluten Werten Operationen bei Zahlen mit Vorzeichen: Addieren, Subtrahieren, Multiplizieren

Mehr

2.11 Kontextfreie Grammatiken und Parsebäume

2.11 Kontextfreie Grammatiken und Parsebäume 2.11 Kontextfreie Grammatiken und Parsebäume Beispiel: Beispiel (Teil 3): Beweis für L(G) L: Alle Strings aus L der Länge 0 und 2 sind auch in L(G). Als Induktionsannahme gehen wir davon aus, dass alle

Mehr

Eine molekulare Lösung des Hamiltonkreisproblems mit DNA

Eine molekulare Lösung des Hamiltonkreisproblems mit DNA Eine molekulare Lösung des Hamiltonkreisproblems mit DNA Seminar Molecular Computing Bild: http://creatia2013.files.wordpress.com/2013/03/dna.gif Andreas Fehn 11. Juli 2013 Gliederung 1. Problemstellung

Mehr

Kapitel 6: Graphalgorithmen Gliederung

Kapitel 6: Graphalgorithmen Gliederung Gliederung 1. Grundlagen 2. Zahlentheoretische Algorithmen 3. Sortierverfahren 4. Ausgewählte Datenstrukturen 5. Dynamisches Programmieren 6. Graphalgorithmen 7. String-Matching 8. Kombinatorische Algorithmen

Mehr

16. All Pairs Shortest Path (ASPS)

16. All Pairs Shortest Path (ASPS) . All Pairs Shortest Path (ASPS) All Pairs Shortest Path (APSP): Eingabe: Gewichteter Graph G=(V,E) Ausgabe: Für jedes Paar von Knoten u,v V die Distanz von u nach v sowie einen kürzesten Weg a b c d e

Mehr

Die in den Suchverfahren konstruierten Graphen waren zusammenhängend und enthielten keine Kreise. Also vereinbaren wir:

Die in den Suchverfahren konstruierten Graphen waren zusammenhängend und enthielten keine Kreise. Also vereinbaren wir: Kapitel 4 Bäume und Matchings Wir haben im letzten Kapitel Bäume implizit als Ergebnis unserer Suchverfahren kennengelernt. In diesem Kapitel wollen wir diese Graphenklasse ausführlich untersuchen. 4.1

Mehr

15 Optimales Kodieren

15 Optimales Kodieren 15 Optimales Kodieren Es soll ein optimaler Kodierer C(T ) entworfen werden, welcher eine Information (z.b. Text T ) mit möglichst geringer Bitanzahl eindeutig überträgt. Die Anforderungen an den optimalen

Mehr

Algebraische Kurven. Vorlesung 26. Die Schnittmultiplizität

Algebraische Kurven. Vorlesung 26. Die Schnittmultiplizität Prof. Dr. H. Brenner Osnabrück SS 2012 Algebraische Kurven Vorlesung 26 Die Schnittmultiplizität Es seien zwei ebene algebraische Kurven C,D A 2 K gegeben, die keine Komponente gemeinsam haben. Dann besteht

Mehr

Wie modelliere ich einen Bilderrahmen?

Wie modelliere ich einen Bilderrahmen? Wie modelliere ich einen Bilderrahmen? Hallo, dieses Tutorial sollte Anfängern zeigen wie man in Blender einen Schnitt durch verschiedenste Profile erstellen kann und diese dann auch anordnet und miteinander

Mehr

Basis und Dimension. Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren.

Basis und Dimension. Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren. Basis und Dimension Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren. Definition. Sei V ein K-Vektorraum und (v i ) i I eine Familie von Vektoren

Mehr

Punktbeschriftung in Dynamischen Karten

Punktbeschriftung in Dynamischen Karten Vorlesung Algorithmische Kartografie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Benjamin Niedermann Martin Nöllenburg 28.05.2015 1 Übungen Nachtrag 1) Überlegen Sie sich, wie man den

Mehr

B-Bäume I. Algorithmen und Datenstrukturen 220 DATABASE SYSTEMS GROUP

B-Bäume I. Algorithmen und Datenstrukturen 220 DATABASE SYSTEMS GROUP B-Bäume I Annahme: Sei die Anzahl der Objekte und damit der Datensätze. Das Datenvolumen ist zu groß, um im Hauptspeicher gehalten zu werden, z.b. 10. Datensätze auf externen Speicher auslagern, z.b. Festplatte

Mehr

2 Lösungen "Peptide de novo Sequencing"

2 Lösungen Peptide de novo Sequencing Lösungen "Peptide de novo Sequencing". Algorithm : PeptideSequencingOnlySux Input: a spectrum M with array of masses M = {m, m,, m n }, Σ, µ : Σ R >0 Output: the peptide string of the spectrum begin peptide

Mehr

3 Quellencodierung. 3.1 Einleitung

3 Quellencodierung. 3.1 Einleitung Source coding is what Alice uses to save money on her telephone bills. It is usually used for data compression, in other words, to make messages shorter. John Gordon 3 Quellencodierung 3. Einleitung Im

Mehr

Algebra. Patrik Hubschmid. 8. Oktober 2013

Algebra. Patrik Hubschmid. 8. Oktober 2013 Algebra Patrik Hubschmid 8. Oktober 2013 Inhaltsverzeichnis 1 Fortführung der Gruppentheorie 7 1.1 Sylowsätze.................................... 7 3 Vorwort Dieses Skript zur Vorlesung Algebra im Wintersemester

Mehr

0, v 6 = 2 2. 1, v 4 = 1. 2. span(v 1, v 5, v 6 ) = span(v 1, v 2, v 3, v 4, v 5, v 6 ) 4. span(v 1, v 2, v 4 ) = span(v 2, v 3, v 5, v 6 )

0, v 6 = 2 2. 1, v 4 = 1. 2. span(v 1, v 5, v 6 ) = span(v 1, v 2, v 3, v 4, v 5, v 6 ) 4. span(v 1, v 2, v 4 ) = span(v 2, v 3, v 5, v 6 ) Aufgabe 65. Ganz schön span(n)end. Gegeben sei folgende Menge M von 6 Vektoren v, v,..., v 6 R 4 aus Aufgabe P 6: M = v =, v =, v =, v 4 =, v 5 =, v 6 = Welche der folgenden Aussagen sind wahr? span(v,

Mehr

Kap. 4.4: B-Bäume Kap. 4.5: Dictionaries in der Praxis

Kap. 4.4: B-Bäume Kap. 4.5: Dictionaries in der Praxis Kap. 4.4: B-Bäume Kap. 4.5: Dictionaries in der Praxis Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 13./14. VO DAP2 SS 2009 2./4. Juni 2009 1 2. Übungstest

Mehr

Wie löst man Mathematikaufgaben?

Wie löst man Mathematikaufgaben? Wie löst man Mathematikaufgaben? Manfred Dobrowolski Universität Würzburg Wie löst man Mathematikaufgaben? 1 Das Schubfachprinzip 2 Das Invarianzprinzip 3 Das Extremalprinzip Das Schubfachprinzip Verteilt

Mehr

Zeichnen von Graphen. graph drawing

Zeichnen von Graphen. graph drawing Zeichnen von Graphen graph drawing WS 2006 / 2007 Gruppe: D_rot_Ala0607 Christian Becker 11042315 Eugen Plischke 11042351 Vadim Filippov 11042026 Gegeben sei ein Graph G = (V; E) Problemstellung V E =

Mehr

Das Falten-und-Schneiden Problem

Das Falten-und-Schneiden Problem Das Falten-und-Schneiden Problem Kristian Bredies Uttendorf, 14. Februar 2005 Inhalt Einleitung Origami Das Falten-und-Schneiden Problem Mathematische Analyse Flaches Origami Lokale Eigenschaften Faltbarkeit

Mehr

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 9.. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 Die Grundfrage bei der Anwendung des Satzes über implizite Funktionen betrifft immer die folgende Situation: Wir haben eine Funktion f : V W und eine Stelle x

Mehr

1. Musterlösung. Problem 1: Average-case-Laufzeit vs. Worst-case-Laufzeit

1. Musterlösung. Problem 1: Average-case-Laufzeit vs. Worst-case-Laufzeit Universität Karlsruhe Algorithmentechnik Fakultät für Informatik WS 06/07 ITI Wagner Musterlösung Problem : Average-case-Laufzeit vs Worst-case-Laufzeit pt (a) Folgender Algorithmus löst das Problem der

Mehr

Schwierige Probleme in der Informatik Informationen für die Lehrperson

Schwierige Probleme in der Informatik Informationen für die Lehrperson Schwierige Probleme in der Informatik Informationen für die Lehrperson Thema, Adressaten,... Das Thema dieses Moduls sind NP-vollständige Probleme, also schwierige Probleme in der Informatik. GraphBench

Mehr

Lernziele: Ausgleichstechniken für binäre Bäume verstehen und einsetzen können.

Lernziele: Ausgleichstechniken für binäre Bäume verstehen und einsetzen können. 6. Bäume Lernziele 6. Bäume Lernziele: Definition und Eigenschaften binärer Bäume kennen, Traversierungsalgorithmen für binäre Bäume implementieren können, die Bedeutung von Suchbäumen für die effiziente

Mehr

Kapitel 4. Euklidische Ringe und die Jordansche Normalform. 4.1 Euklidische Ringe

Kapitel 4. Euklidische Ringe und die Jordansche Normalform. 4.1 Euklidische Ringe Kapitel 4 Euklidische Ringe und die Jordansche Normalform 4.1 Euklidische Ringe Die Ringe der ganzen Zahlen, Z, sowie Polynomringe über Körpern, K[X], wobei K ein Körper ist, haben die folgenden Gemeinsamheiten:

Mehr

Approximationsalgorithmen: Klassiker I. Kombinatorische Optimierung Absolute Gütegarantie Graph-Coloring Clique Relative Gütegarantie Scheduling

Approximationsalgorithmen: Klassiker I. Kombinatorische Optimierung Absolute Gütegarantie Graph-Coloring Clique Relative Gütegarantie Scheduling Approximationsalgorithmen: Klassiker I Kombinatorische Optimierung Absolute Gütegarantie Graph-Coloring Clique Relative Gütegarantie Scheduling VO Approximationsalgorithmen WiSe 2011/12 Markus Chimani

Mehr